Vai al contenuto

Come leggere uno spettrogramma

Uno spettrogramma mostra il tempo da sinistra a destra, la frequenza dal basso verso l’alto e il livello come luminosità. Leggerne uno bene si riduce a tre scelte: quanto suono analizza ogni colonna, come è distanziato l’asse delle frequenze e quali livelli coprono i colori. Le cifre qui sotto valgono per una registrazione a 48 kHz, la frequenza usata dalla maggior parte dei file e dei microfoni.

Colonne, righe e luminosità

Ogni colonna è una breve finestra di suono scomposta nelle sue frequenze, ogni riga è una banda di frequenza e la luminosità è quanto era forte quella banda in quella finestra. Per impostazione iniziale una finestra è di 2048 campioni: a 48 kHz sono 42,7 ms di suono, e le sue righe di frequenza distano 23,4 Hz l’una dall’altra.

Le finestre si sovrappongono del 75%, quindi una nuova colonna inizia ogni 10,7 ms. Più sovrapposizione dà un’immagine più liscia con più colonne, ma non più dettaglio: ciò che una colonna può mostrare è stabilito dalla lunghezza della finestra.

Dimensione della finestra: nitida nel tempo o nell’altezza del suono

Una finestra di N campioni a una frequenza di campionamento f_s dura N/f_s secondi, e le sue righe di frequenza distano f_s/N hertz. Dimezzare l’una raddoppia l’altra, quindi nessuna impostazione è nitida in entrambe. 512 campioni durano 10,7 ms con righe distanti 93,8 Hz: click, colpi di batteria e consonanti restano nitidi, ma i toni vicini si fondono. 8192 campioni durano 171 ms con righe distanti 5,86 Hz: i toni vicini e le armoniche di un ronzio si separano, ma i suoni brevi si sfumano lateralmente.

La forma della finestra conta meno. Hann, quella predefinita, va bene per la maggior parte dei suoni; Blackman–Harris ha lobi laterali molto più deboli, quindi un tono debole accanto a uno forte resta visibile, a costo di picchi un po’ più larghi.

Lunghezza della finestra e distanza tra le righe per dimensione FFT

Dimensione FFT44,1 kHz48 kHz96 kHz
2565,8 ms · 172 Hz5,33 ms · 188 Hz2,67 ms · 375 Hz
51211,6 ms · 86,1 Hz10,7 ms · 93,8 Hz5,33 ms · 188 Hz
102423,2 ms · 43,1 Hz21,3 ms · 46,9 Hz10,7 ms · 93,8 Hz
204846,4 ms · 21,5 Hz42,7 ms · 23,4 Hz21,3 ms · 46,9 Hz
409692,9 ms · 10,8 Hz85,3 ms · 11,7 Hz42,7 ms · 23,4 Hz
8192186 ms · 5,38 Hz171 ms · 5,86 Hz85,3 ms · 11,7 Hz
16.384372 ms · 2,69 Hz341 ms · 2,93 Hz171 ms · 5,86 Hz

Ogni cella: quanto dura la finestra · quanto distano le sue righe di frequenza. Una dimensione FFT apre lo strumento con quella finestra.

Voce, musica e suoni brevi

La voce si analizza di solito con finestre di circa 20 ms: abbastanza brevi da contenere un suono del parlato, abbastanza lunghe da separare le armoniche della voce. A 48 kHz la dimensione FFT più vicina è 1024 campioni (21,3 ms). Una finestra più breve di 256 campioni (5,33 ms, righe distanti 188 Hz) sfuma le armoniche in bande larghe, così emergono le formanti, le risonanze che caratterizzano ogni vocale.

La musica sostenuta e i ronzii costanti si leggono meglio con finestre più lunghe, che separano note e armoniche. Il canto veloce degli uccelli, i colpetti e altri eventi rapidi ne richiedono di più brevi; quando un suono ha entrambi, guardalo due volte con due dimensioni.

La luminosità è il livello in dBFS

I livelli sono in decibel rispetto al fondoscala: 0 dBFS è un’onda sinusoidale al livello massimo che il file può contenere, e tutto il resto è negativo. Ogni 20 dB in meno è un decimo dell’ampiezza, e 6 dB in meno è circa la metà. Un file a 16 bit copre circa 96,3 dB dal fondoscala al suo rumore di arrotondamento, quindi i dettagli deboli stanno molto sotto quelli forti.

I colori coprono solo una parte di quell’intervallo. I livelli automatici adattano la parte a ciò che è in vista; alzare il livello più scuro nasconde il rumore di fondo, abbassarlo rivela i suoni deboli, insieme a più rumore.

Che cosa significa un livello in dBFS

LivelloAmpiezzaPotenza
0 dBFS100%100%
−6 dBFS50,1%25,1%
−12 dBFS25,1%6,31%
−20 dBFS10%1%
−40 dBFS1%0,01%
−60 dBFS0,1%0,0001%

Come quota di una sinusoide a fondoscala: ampiezza 10^(L/20), potenza 10^(L/10) a un livello di L dB.

Assi delle frequenze lineare, logaritmico e mel

Un asse lineare dà a ogni hertz la stessa altezza, quindi le alte frequenze occupano la maggior parte dell’immagine. Un asse logaritmico dà a ogni ottava la stessa altezza, come i tasti di un pianoforte, il che va bene per la musica e per la maggior parte dei suoni naturali. L’asse mel segue quanto sembrano distanti le altezze: mel = 2595·log10(1 + f/700), quasi lineare alle basse frequenze e logaritmico più in alto. 1000 Hz sono 1000 mel, 4000 Hz sono 2146 mel e 8000 Hz 2840 mel.

Frequenza a ogni altezza dell’asse

AltezzaLineareLogaritmicoMel
10%2,02 kHz39,9 Hz307 Hz
25%5,02 kHz112 Hz967 Hz
50%10 kHz632 Hz3,16 kHz
75%15 kHz3,56 kHz8,24 kHz
90%18 kHz10 kHz14,1 kHz

Per un asse da 20 Hz a 20 kHz; l’altezza è misurata dal basso, come quota dell’asse.

Forme da cercare

Una linea orizzontale è un tono costante: un fischio, una ventola o il ronzio di rete a 50 o 60 Hz e i suoi multipli. Una pila di linee equidistanti è un unico suono con armoniche, come una voce, uno strumento o un motore, e la distanza è la sua altezza. Una linea verticale è un click, un colpo o qualsiasi suono improvviso, e un’ampia sfumatura grigia è rumore: fruscio, vento, pioggia o traffico.

Le linee che si curvano mostrano un’altezza che cambia. Un tono che scende mentre passa, più veloce nel momento di massima vicinanza, è lo spostamento Doppler di una sorgente in movimento, che lo strumento può tracciare e trasformare in una velocità.

La parte alta dell’immagine: metà della frequenza di campionamento

Una registrazione non contiene nulla a o sopra metà della sua frequenza di campionamento: 24 kHz a 48 kHz, 22,05 kHz per un CD. Una banda vuota sopra un bordo netto e piatto più basso di quello di solito significa che il file è stato compresso o che il microfono ha filtrato la parte alta, non che il suono non avesse nulla lì.

Frequenza massima per frequenza di campionamento

Frequenza di campionamentoFrequenza massimaFinestra predefinita
8 kHz4 kHz256 ms
16 kHz8 kHz128 ms
22,05 kHz11,025 kHz92,9 ms
44,1 kHz22,05 kHz46,4 ms
48 kHz24 kHz42,7 ms
96 kHz48 kHz21,3 ms
192 kHz96 kHz10,7 ms
384 kHz192 kHz5,33 ms

La finestra predefinita è di 2048 campioni; a una frequenza più alta dura meno.

Domande frequenti

Perché il mio spettrogramma appare sfocato?

La sfocatura in orizzontale significa che la finestra è troppo lunga per il suono: scegli una dimensione FFT più piccola. La sfocatura in verticale significa che è troppo corta per separare le frequenze: scegline una più grande. Anche ingrandire il tempo o la frequenza distribuisce il dettaglio su una parte maggiore dello schermo.

Perché nel mio MP3 non c’è nulla sopra circa 16 kHz?

I codificatori con perdita spesso tagliano la banda alta per risparmiare spazio, e lo spettrogramma mostra il taglio come un tetto piatto. Il WAV o FLAC originale conserva quelle frequenze, fino a metà della sua frequenza di campionamento.

Uno spettrogramma è la stessa cosa di uno spettro?

No. Uno spettro è un insieme di livelli per frequenza per un tratto di suono; uno spettrogramma ne mette molti uno accanto all’altro, uno per ogni istante, così puoi vedere come le frequenze cambiano nel tempo.

Apri lo strumento

Invia un feedback